C. elegans — connectome-drevet simulering

En simulering av Caenorhabditis elegans bygget på connectome-dataene fra 3BIM20162017/CElegansTP, koblet til en 2D-verden ormen krabber rundt i, lukter seg fram i og støter borti.

Kjøre

python3 -m venv .venv && .venv/bin/pip install numpy pygame-ce
.venv/bin/python main.py

Tast	Effekt
tab	veksle mellom verden og nevronkartet
mellomrom	pause
r	start på nytt
venstreklikk	legg ut en matflekk (i verden) / velg et nevron (i kartet)
høyreklikk	abler nevronet under peker (i kartet)
d / s	abler / tvangsaktiver valgt nevron
e	mål hva ablasjonen faktisk gjorde
p	probe-modus: frys kroppen, la nettverket gå
x + klikk	legg ut en hindring
1–8	slå en hel krets av og på
a	gjenopprett alt (ablert og tvangsaktivert)
+ / -	tidsskala
q / esc	avslutt

Nevronkartet og ablasjon

tab åpner et kart over alle 299 nevronene, navngitt, gruppert i sensoriske / interneuroner / motornevroner og sortert hode-til-hale. Hver celle viser fyringsraten i Hz — tall, ikke bare farge, siden et dusin nyanser av oransje ikke lar seg skille med øyet. Velger du et nevron, rammes partnerne inn: blått for de som sender til det, oransje for de som mottar fra det.

Nederst forklares det valgte nevronet i tre kolonner som holdes bevisst atskilt:

• LITERATURE — hva cellen antas å gjøre, fra annotations.py. Dette er ekstern kunnskap fra C. elegans-litteraturen, ikke noe datasettet viser. Alle 299 nevroner er dekket, annotert per klasse (117 klasser), og der en celle er dårlig karakterisert står det heller det enn en oppdiktet rolle.
• MEASURED — strukturfakta regnet ut fra connectomet av analysis.py: inn/ut-vekt, drive-rangering, kroppsposisjon, muskelmålretting med segmentspenn, og innflytelse på kommandolaget over ett og to hopp.
• WHY ACTIVE NOW — en live dekomponering av strømmen inn i cellen akkurat nå: tonisk driv, synaptisk sum, adaptasjon, sensorisk input, og hvilke presynaptiske partnere som faktisk driver den i dette millisekundet. Leddene er de samme integrasjonssteget summerer, så de går opp.

Det siste er der du får svar på «hvorfor er akkurat denne cellen aktiv». Ofte er svaret at den ikke drives synaptisk i det hele tatt — DB4 kjører på tonisk driv +28.0 mot en synaptisk sum på +0.01.

Fargeskalaen er fast (0–40 Hz), ikke normalisert til aktiviteten. En skala som følger nettverket får alle overlevende nevroner til å se varmere ut i det du ablerer de travleste, noe som leses som at resten kompenserer når ingenting slikt har skjedd. Hver celle skriver raten sin uansett.

Å måle hva en ablasjon gjorde

Abler noe, trykk e. Da kjøres et parvis eksperiment: to identiske kopier av nettverket kjøres side om side fra samme tilstand, med samme frosne sensoriske input og samme støyrekke — de skiller seg bare i om cellene er ablert. Alt som kommer ut er derfor forårsaket av lesjonen, og støygulvet er null.

Rapporten viser hva ormen fortsatt kan gjøre (bakover- og forover-kommando, kommandobalanse, muskelutgang), hvilke celler som ble stillest, hvilke som ble travlere, og om reverseringsterskelen fortsatt nås. Kartet fargelegges samtidig etter årsakseffekten — blått for roligere, oransje for travlere.

Eksempel, ablasjon av AVAL og AVAR: 79 nevroner endret, 79 ned, 0 opp. Bakover-kommandoen faller 35.4 → 12.0 Hz og de hardest rammede er A-type bakover-motornevroner (DA6 −30.8, VA8 −29.8). Ingen celle blir mer aktiv.

Grunnen til at dette må gjøres som et kontrollert eksperiment og ikke ved å se på kartet før og etter: en fritt bevegende orm varierer like mye av seg selv som lesjonen gjør. Uten manipulasjon i det hele tatt flagges 114 av 299 celler som endret. p fryser kroppen om du vil se effekten utfolde seg live i stedet.

Ablasjon og stimulering. Høyreklikk (eller d) ablerer: nevronet slutter å fyre og dermed å drive noe nedstrøms, mens koblingene står urørt — nøyaktig manipulasjonen litteraturen er bygget på. s gjør det motsatte og tvangsaktiverer cellen, den optogenetiske motsatsen. 1–8 tar hele kretser (se celegans/circuits.py). Venstreklikk bare velger, så det å se på et nevron aldri forstyrrer kjøringen.

Begge er validerte påstander, ikke bare knapper: fjerner man ASH/FLP/OLQ faller kommandobalansen ved nese-berøring fra 0.119 til −0.009, altså under reverseringsterskelen — fluktresponsen forsvinner helt. Tvangsaktivering av AVAL løfter den fra 50.7 til 71.3 Hz.

Uten vindu: python main.py --headless 300. Målingene nedenfor reproduseres med python validate.py.

Hva dataene inneholder

Kildepakken er ren data — ingen kode. Fire CSV-filer:

Fil	Innhold
Connectome.csv	299 nevroner, 2279 synapser, vekt = antall forbindelser, merket exc/inh (200 inhibitoriske)
Neurons_to_Muscles.csv	118 motornevroner → 94 kroppsveggmuskler, navngitt M{D,V}{L,R}NN (dorsal/ventral, venstre/høyre, segment 01–24)
Sensory.csv	funksjonsmerking for 86 sensoriske nevroner
spatialpositions/distances.csv	3D-posisjon per nevron

Hvordan det henger sammen

verden ──▶ sensing.py ──▶ neural.py ──▶ body.py ──▶ verden
         (sensorstrøm)   (299 LIF-      (kommando-    (bevegelse,
                          nevroner)      avlesning)    kollisjon, spising)

neural.py kjører hvert nevron som en lekk integrate-and-fire-enhet. Et aksjonspotensial legger ladning i et synaptisk spor som forfaller med tau_syn; connectome-matrisen sprer det til postsynaptiske partnere med fortegn fra exc/inh. Samme spor driver musklene gjennom nevron-til-muskel-matrisen.

To ting måtte legges til for at nettverket skulle være brukbart. Bare 9 % av synapsene er inhibitoriske, så rå rekurrent eksitasjon gjør nettverket bistabilt — enten helt stille eller mettet, og da forsvinner all selektivitet. Vektmatrisen normaliseres derfor på spektralradius (så g_syn blir løkkeforsterkningen), og hvert nevron har spike-frekvens-adaptasjon. Resultatet er et nettverk som hviler på ~11 Hz og graderer med input.

body.py lar ormen krabbe ved å følge sitt eget hode: den ledende enden legger ut en bane med oscillerende krumning, og resten av kroppen samples fra banen med faste buelengdeavstander. Bølgen langs kroppen faller da ut av hodebanen av seg selv — omtrent slik en ekte orm krabber i sporet den skjærer i agar. Krumning integreres per distanse, ikke per tid, så formen på sporet er uavhengig av farten.

Connectomet leverer drivet, ikke rytmen: LIF-nettverket har verken gap junctions eller proprioseptiv tilbakekobling og kan ikke generere en undulasjon selv. Det som leses ut av det er retning (AVA/AVD/AVE mot AVB/PVC), amplitude og fart (samlet muskelaktivering), og styring (dorsal/ventral-asymmetri i hodemusklene).

Hva som kommer fra connectomet, og hva som ikke gjør det

Dette er verdt å være presis på, for det er ikke alt.

Fra connectomet. Nese-berøring gir revers helt av seg selv: gpg-nose-cellene (ASH, FLP, OLQ, IL1V) synapser på AVA/AVD/AVE med samlet vekt 104 mot 26 på AVB/PVC, og målt åpen sløyfe løfter berøring kommandobalansen til 0.119 mot 0.009 i hvile — godt over reverseringsterskelen på 0.085. Ingenting i koden sier «berøring gir revers»; det følger av koblingene. Hele muskelutgangen, all segmentering langs kroppen, og hodemotorikkens dorsal/ventral-skille (SMDD 15:3 dorsalt, SMDV 0:10 ventralt, alle utelukkende i segment 1–8) kommer også direkte fra dataene.

Ikke fra connectomet. Kjemotaksi gjør det ikke, og det er en egenskap ved datasettet, ikke ved tuningen:

• Mat- og luktnevronene har null direkte synapser til kommando-interneuronene.
• ASEL og ASER er koblet nesten identisk — begge hovedsakelig til AIY og AIB — så ON/OFF-opponensen kjemotaksi hviler på finnes ikke i filen.
• Alle kanter er merket exc, så de glutamat-styrte kloridsynapsene der AWC og ASER hemmer AIY har feil fortegn her.
• Det finnes ingen kompartementer og ingen gap junctions, som er nettopp det RIAs styringsberegning er bygget på.

Begge kjemotaksi-strategiene er derfor skrevet ut eksplisitt i sensing.py, hver dokumentert der den brukes, og hver leverer fra seg til connectomet for siste steg heller enn å diktere atferden:

• Piruett — ved fallende gradient drives AIZ og RIB, de eneste interneuronene i dette datasettet med entydig bakover-bias (AIZ→AVA 10 mot AVB 0; RIB 14 mot 1). Connectomet avgjør selv om det blir en reversering, og det gjør det: 93 % av målingene over terskel ved fallende gradient, 0 % ved flat eller stigende.
• Klinotaksi — RIAs produktregel, sensorisk signal ganget med hodets utslag, injisert i de hodemotornevronene connectomet faktisk skiller dorsalt fra ventralt. Målt korrelasjon mellom drivet og styringsavlesningen: +0.78.

En ting til måtte kalibreres bort: hodemusklene er ikke symmetrisk innerverte, og hvilende dorsal/ventral-ubalanse ligger på ~0.14. Står den, krøller den sporet til en sirkel på omtrent én kroppslengde og overdøver kjemotaksien fullstendig. Locomotion.calibrate måler den på et ustimulert nettverk før simuleringen starter.

Målt atferd

validate.py kjører disse, og alle er målinger, ikke påstander:

Sjekk	Resultat
Connectome laster	299 nevroner, 94 muskler, 2279 synapser
Spontanrate	~11 Hz, stabilt over seeds
Fallende gradient → revers	93 % over terskel, mot 0 % ved stigende
Nese-berøring → bakover-kommando	balanse 0.10 mot 0.004 i hvile
Ablasjon av nese-kretsen	balanse 0.119 → −0.009, fluktrespons borte
Finner mat	når flekken i 5/5 forsøk fra 350 enheter unna
Kollisjon → reversering	8 reverseringer på 561 kontakt-frames

Kjent avvik: for mye reversering

Ormen bruker ~41 % av tiden i revers, mot 5–10 % for en ekte orm. Reverseringene kommer med ~11/min, som i seg selv er innenfor det ekte ormer gjør i lokalsøk — det er varigheten på 2.2 s som gjør andelen høy.

Den er ikke lett å senke, og det er verdt å vite hvorfor. Fire forsøk, alle målt:

Forsøk	Reversering	Fant mat
Uendret	41 %	4/4
Tregt trendfilter til piruett-beslutningen	30 %	1/4
Kortere reversering (1.4 s)	45 %	0/4
Kortere + lengre refraktærperiode	23 %	0/4
Kortere + kraftigere omega-sving	26 %	2/4

Årsaken er at piruetten virker ved å reversere langt nok til å komme ut av kursen nedover gradienten. En kort reversering flytter ormen for lite, den gjenopptar nesten samme kurs, og trigger umiddelbart på nytt — derfor stiger raten samtidig som atferden slutter å virke. Den lange reverseringen er prisen for at kjemotaksien fungerer, og konfigurasjonen som er valgt prioriterer atferden.

Filer

Fil	Ansvar
celegans/connectome.py	leser CSV-ene til numpy-matriser
celegans/neural.py	LIF-nettverket over hele connectomet
celegans/sensing.py	verden → sensorisk strøm, og de to kjemotaksi-reglene
celegans/body.py	kropp, gange, og kommando-avlesningen
celegans/world.py	arena, luktfelt, mat, hindringer, kollisjon
celegans/render.py	pygame-visualisering
celegans/simulation.py	binder det sammen
validate.py	målingene over

Videre

Det mest verdifulle neste steget er å bytte datakilde. Med et connectome som har gap junctions og riktige fortegn — f.eks. OpenWorms egne data eller WormAtlas/Cook 2019 — kan piruett- og klinotaksi-reglene fjernes og testes mot om atferden da faller ut av koblingene alene. Slik koden er delt opp er det bare sensing.py som må endres.

Lisens

Koden er MIT-lisensiert, se LICENSE.

Dataene under data/ er ikke dekket av den. De er lagt ved for at prosjektet skal kunne kjøres direkte, og kommer fra 3BIM20162017/CElegansTP, som publiserer dem uten egen lisens; selve koblingsdataene stammer fra OpenWorm. Skal du gjenbruke dataene framfor koden, sjekk opphavet selv.